aws / aws/sagemaker-python-sdk
ModelBuilder.register does not generate a repack step with a pipeline session in V3 but does in V2
- Langage dominant
- Python
- Étoiles
- 2.3k
- Forks
- 1.3k
- Merge moyen
- 1 j 22 h
- PR mergées (30 j)
- 35
Description
**PySDK Version**
- [ ] PySDK V2 (2.x)
- [ X] PySDK V3 (3.x)
**Describe the bug**
ModelBuilder.register does not generate a repack step with a pipeline session in V3 but does in V2
**To reproduce**
A clear, step-by-step set of instructions to reproduce the bug.
The provided code need to be **complete** and **runnable**, if additional data is needed, please include them in the issue.
```
model_builder = ModelBuilder(
image_uri=image_uri,
s3_model_data_url=data_url,
source_code=SourceCode(
entry_script="infer.py",
source_dir=s3_script_archive,
),
role_arn=role,
sagemaker_session=pipeline_session,
env_vars={"SAGEMAKER_DEFAULT_INVOCATIONS_ACCEPT": "application/json"},
)
...
step_register = ModelStep(
name="RegisterModel",
step_args=model_builder.register(
content_types=["application/jsonlines"],
response_types=["application/json"],
inference_instances=[inference_instance_type],
transform_instances=[inference_instance_type],
model_package_group_name=model_package_group_name,
approval_status="Approved",
)
)
```
**Expected behavior**
A clear and concise description of what you expected to happen.
In V2, the model was repacked with the code present. In V3, the model is not, leaving the model unable to be repacked
**Screenshots or logs**
If applicable, add screenshots or logs to help explain your problem.
**System information**
A description of your system. Please provide:
- **SageMaker Python SDK version**: 2
- **Framework name (eg. PyTorch) or algorithm (eg. KMeans)**: ScikitLearn
- **Framework version**: 1.4.2
- **Python version**: 3.11
- **CPU or GPU**: CPU
- **Custom Docker image (Y/N)**: N
**Additional context**
Add any other context about the problem here.
Guide de contribution
Ouvrir le guide de contribution
Piste de recherche
Commencez par le point d’entrée ModelBuilder.register utilisé avec pipeline_session et comparez son comportement en V3 avec le comportement en V2 décrit dans l’issue. Reproduisez l’enregistrement de ModelStep à l’aide du SourceCode et des données du modèle présentés, puis vérifiez qu’une étape repack est générée et que le modèle enregistré inclut le code.
Rédigé par le modèle d'indexation à partir du texte de l'issue.
Évaluation
- Stack technique
- aws, python, scikit-learn
- Domaine
- cloud, machine-learning
- Type d'issue
- Bug
- Difficulté
- 4/5
- Temps estimé
- 1-2 jours
- Activité
- Calme
- Clarté
- Plutôt claire
- Accessibilité débutants
- 48/100